语音到文字和视频智能SPEECH_TRANSCRIPTION是如何相关的？

Question

我的目标是使用一个语音到文本模型来处理几个视频。

令人困惑的是，谷歌有两款产品似乎都在做同样的事情。

这些产品的主要区别是什么？

1. Google语音到文本：https://cloud.google.com/speech-to-text/docs/basics

- Speech-to-Text has an "enhanced video" model for interpreting the audio.

1. 谷歌视频智能：https://cloud.google.com/video-intelligence/docs/feature-speech-transcription

- VI has the option to request a `SPEECH_TRANSCRIPTION` feature

Answer 1

两者的主要区别在于所使用的输入。语音到文本API只接受音频输入，而视频智能只接受视频输入。

正如您在问题中提到的“语音到文本有一个增强的视频模型”，它意味着它有一个模型是设计用来转录来自视频文件的音频。这意味着原始文件在视频中，然后转换成音频。如本教程所示，视频在转录之前被转换成音频。

我建议使用视频智能API，如果你想直接转录音频内容为文本。您可以使用视频智能API跟踪此关于如何转录文本的教程。